露天矿边坡变形监测中BP神经网络模型优化设计

提出了一种提升露天矿边坡位移量预测精度和收敛速度的基于自适应混合跳跃粒子群算法(AHJPSO)改进的BP(Back Propagation)神经网络模型。传统的BP神经网络模型在位移量预测过程中存在收敛速度慢、预测精度低、易陷入局部极小值的问题,而自适应混合跳跃粒子群算法具有快速寻优能力以及能够在迭代计算的过程中有效避免陷入局部极小值的能力,所以采用自适应混合跳跃粒子群算法优化后的BP神经网络模型,能够使BP神经网络模型对露天矿边坡位移量的预测精度更高、算法收敛速度更快,并有效跳出局部极小值。     

改进的衰减记忆UKF算法在伪距定位中的研究

研究伪距定位中衰减记忆无迹卡尔曼滤波(MAUKF)方法,针对衰减记忆UKF滤波器可能因衰减因子引入造成滤波精度降低、滤波收敛速度并没有得到改善的问题,本文依据预测残差的统计量,对衰减记忆UKF滤波算法进行了改进。仿真结果表明,该算法相比衰减记忆UKF算法提高了定位精度和收敛速度。     

弱化缓冲算子修正的离散灰色预测

针对地铁通风井深基坑工程的沉降数据扰动因子多、传统灰色模型预测效果差的不足,本文以DGM(1,1)模型为基础,利用弱化缓冲算子能够有效地处理含有扰动因素的原始监测数据的优势,较好地改善了基础模型的预测精度。本文在系统分析弱化缓冲算子对DGM(1,1)预测修正过程的基础上,选用3种弱化缓冲算子对风井基坑周围的地表监测点D2和给水管线监测点S2进行沉降量预测的对比分析。工程实例分析表明:平均弱化缓冲算子修正后的DGM(1,1)模型具有较高的预测精度,可以用于工程中的沉降预测。     

神经网络BP算法中的误差及其改进方法研究

人工神经网络(Artificial Neural Networks)是模仿人脑结构和功能的一种信息处理系统。该方法在处理非线性问题上具有其独特的优越性,在工程应用中越来越被人们所关注。与此同时,神经网络计算的精度和收敛速度也成为人们普遍关心的问题。本文试验发现BP算法在归一化过程中存在最值误差和区间变形误差,在此基础上,本文对常规BP网络进行了改进,提高了BP网络的预测精度。     

Sage-Husa随机加权无迹卡尔曼滤波及其在导航中的应用

在吸收Sage-Husa滤波和无迹卡尔曼滤波优点的基础上,利用随机加权估计算法将传统的定义在线性系统上的Sage-Husa噪声估计器推广到非线性系统中,提出一种非线性Sage-Husa随机加权无迹卡尔曼滤波算法。该算法首先利用Sage滤波的开窗平滑方法求得观测残差向量和新息(预测残差)向量的协方差阵;然后用随机加权自适应因子对观测残差和预测残差进行调节;最后对状态预报向量的协方差矩阵进行自适应随机加权估计,以控制观测残差和预测残差对导航精度的影响。计算结果表明,提出的非线性Sage-Husa随机加权无迹卡尔曼滤波算法,滤波精度明显优于无迹卡尔曼滤波和自适应无迹卡尔曼滤波算法,能够提高组合导航的解算精度。     

基于DEM的平缓地区水系提取和流域分割的流向算法分析

本文以地势较为平坦的秦淮河流域为实验样区,以高精度DEM(5m分辨率)和地形图水系为基础数据,对比分析了单流向算法(D8算法)、多流向算法(Dinf法)以及添加数字化河道信息后的单流向算法(AgreeD8算法)3种算法下水系提取和流域分割的结果。实验结果表明,提取得到的水系更逼近于实际河网,该算法既有效提高了水系提取和流域分割的精度,又保留了D8算法模型简单、稳定性强、运行效率高等优点。     

基于GM(1,1)数据融合算法的滑坡预测研究

滑坡会对人类生命和财产造成巨大损失,预测预报是预知滑坡灾害发生并减少其影响的重要手段。GM(1,1)算法在滑坡预测中得到普遍应用,该算法具有较少数据量建模的优点。对于滑坡不需要了解各种影响因子的具体状态,但存在建模数据量选取不确定性和长时距预测精度降低的问题,以GM(1,1)模型为基础,引用数据融合技术,对滑坡变形量进行预测,并用实测数据进行验算,结果表明该方法能提高滑坡的预测精度。     

人工蜂群算法优化的SVM遥感影像分类

SVM分类器的参数设定对分类精度有着显著的影响,针对现有人工智能算法优化参数易陷入局部最优的现状,提出了一种基于人工蜂群算法改进SVM参数的遥感分类方法(ABC-SVM)。该方法模仿蜜蜂采蜜的行为,以训练样本的交叉验证精度代表蜜源的丰富程度,通过蜂群的分工协作搜索出最优蜜源(即SVM分类器最优参数),最终利用参数优化后的SVM分类器实现遥感影像的分类。本文先后比较了3种人工智能算法(包括人工蜂群算法优化的SVM(ABC-SVM)、遗传算法GA(Genetic Algorithm)优化的SVM(GA-SVM)、粒子群算法PSO(Practical Swarm Optimization)优化的SVM(PSO-SVM))在UCI标准数据集上的分类精度和效率,以及3种人工智能算法优化的SVM算法与未经优化参数的SVM算法在遥感影像上分类的差异。结果显示:(1)在利用UCI数据集测试3种人工智能算法优化的SVM算法的结果中,ABC-SVM显示出更高的分类精度、更高的适应度和更快的收敛速度;(2)在利用遥感影像验证4种分类算法精度的结果中,人工智能算法优化后的SVM比未经参数优化的SVM算法的分类精度更高;其中,ABC-SVM分类精度最高,分别比遗传算法、粒子群算法的结果高1.67%、1.50%。     

基于DEBP的GPS高程拟合

针对误差反向传播(BP)算法训练速度慢和易于陷入局部最小值的缺点,利用差分进化算法(DE)的全局寻优性,结合DE和BP的各自优点,分析和建立进化神经网络(DEBP)模型,并将该模型应用于GPS高程拟合。最后以实例数据,进行BP,DE及DEBP模型的对比实验,结果表明,该模型有效克服了传统模型的不足,在收敛速度、预测精度及稳定性等方面均明显提高。     

基于自适应粒子群优化的SVM算法在建筑物沉降预测中的应用

针对传统支持向量机算法在预测方面的不足,采用自适应粒子群算法(APSO)对支持向量机参数选择进行分析和优化,建立基于自适应粒子群优化的SVM算法建筑物沉降预测模型,并对建筑物进行沉降预测。实验表明,相比于传统的支持向量机算法,自适应粒子群优化的SVM算法预测精度较高,为建筑物沉降预测提供一种新方法。     

基于Adaboost算法和人脸特征三角形的姿态参数估计

提出了一种基于Adaboost算法和人脸特征三角形的姿态参数估计方法。首先利用Adaboost算法训练人脸器官检测器,然后根据人脸器官的几何特征定位人脸特征点,利用获得的人脸特征点构建人脸特征三角形。当人脸发生姿态变化时,利用特征三角形的位置变化进行姿态参数的初步估计。     

进化多核相关向量机的大坝变形预测

针对大坝变形系统的非线性、复杂性以及不确定等特点,提出一种优化多核相关向量机的大坝变形预测模型方法。通过对实验数据进行归一化处理,核函数的加权组合以及遗传算法对模型参数的优化,建立遗传算法优化多核相关向量机的大坝变形预测模型。实验结果表明:数据归一化能归纳统一样本的统计分布性,加快梯度下降求解最优解速度和提高预测精度;优化的加权核函数能有效提高模型预测精度;各项精度指标值均优于BP神经网络方法、多项式核相关向量机方法预测精度,证实优化的多核相关向量机模型是一种精度较高的大坝变形预测方法。     

改进遗传算法优化灰色神经网络隧道变形预测

针对目前隧道变形预测方法的不足,该文提出了使用改进型遗传算法优化灰色神经网络的隧道变形预测模型。改进遗传算法策略:在种群繁衍过程中根据个体的适应度进行排序,再将排序后的种群均分为3个部分,按照比例对3个部分进行选择,最后从适应度较大的部分中随机选取个体在重新补充到种群中。改进型遗传算法可以避免陷入局部收敛成功找寻全局最优解,提高收敛速度。该文利用实际隧道监测数据进行实验,验证改进型遗传算法优化灰色神经网络的隧道变形预测模型。实验证明,改进型遗传算法优化灰色神经的隧道变形预测模型在进行隧道拱顶下沉量预测时有着更高的精度、更好的稳定性。     

改进蝙蝠算法优化极限学习机的大坝变形预测模型分析

针对大坝变形监测数据中存在的非线性关系强和传统大坝预测模型精度不高等问题,本文利用改进蝙蝠算法选取最优的参数作为极限学习机的连接权值和阈值,并提出了一种基于改进蝙蝠算法（IBA）优化极限学习机（ELM）的大坝变形预测模型（IBA-ELM）。将IBA-ELM模型应用于工程实例,通过对某地水库大坝监测数据预测分析,验证IBA-ELM模型、BA-ELM和GA-ELM模型预测结果并进行精度评价,3种模型的预测值与实测值平均绝对误差分别为1.178 3、0.459 8、0.335 6 mm,IBA-ELM模型的预测精度高于另外2种模型,表明IBA-ELM模型能有效提高大坝变形预测能力。     

小波神经网络模型在高铁路基沉降预测中的应用研究

为了提高变形监测数据预测的精度与可靠性,提高神经网络预测方法的稳定性,尝试将小波分析与BP神经网络相结合的小波神经网络应用于高铁路基处的沉降监测数据处理中。综合小波分析与神经网络算法的优点,建立松散型及紧致型小波神经网络预测分析模型。通过实验数据对比分析,验证了采用紧致型小波神经网络预测模型能够较好地用来处理路基的动态变形监测数据,预测稳定性及预测精度较高。     

基于间接平差的ICP点云配准算法研究

点云配准精度是决定三维重建模型的质量因素之一,目前,最常用是ICP点云配准算法,经典的ICP算法易局部收敛,影响点云配准精度。本文提出基于间接平差的ICP点云配准算法,设定目标点集中目标点坐标与转入目标点集中的点坐标之间的距离阈值实现点云精确配准。通过与经典ICP算法对比可知,本算法在一定程度上提高了点云配准精度和速度。     

基于粒子群优化神经网络的概率积分法预计参数的确定

为有效确定概率积分法预计参数,提高预计值的精度。将粒子群优化(PSO)算法和BP神经网络进行融合,采用改进的混合粒子群优化算法优化神经网络的权值和阈值。在分析概率积分法参数与地质采矿条件之间关系的基础上,建立了基于PSO优化BP神经网络的概率积分法预计参数的优化选择模型。以我国典型的地表移动观测站资料为例,将计算结果与实际值进行了对比分析,并与文献[1]中改进BP算法进行了比较。结果表明,PSO-BP神经网络方法用于概率积分法预计参数的选取是可行的,收敛速度更快,计算精度更高。     

FY-2红外云图中强对流云团的短时自动预报算法

目前气象预报业务中,预报员主要借助卫星云图,定性判断云团的移动趋势,缺乏形式化的定量评判方法。本文基于FY-2C与FY-2D的高时间分辨率的近红外影像(10.3—11.3μm),采用亮温和面积阈值方法进行云团识别,然后根据最大相关系数云团匹配技术进行追踪,系统地实现强对流云团的自动临近预测。实验结果表明,本文提出的最大相关系数追踪比传统的交叉相关系数法具有更高的匹配精度和运行效率,而且研究发现云团质心外推明显优于最低亮温外推,平均亮温、面积、圆形度对云团的分裂合并有较好的指示作用,经列联表法检验,本文提出的自动识别追踪技术具有较高预测精度和预测时效,并且为卫星云图业务化应用提供了定量科学依据。     

基于改进麻雀搜索算法优化BP神经网络的PM_(2.5)浓度预测北大核心CSCD

针对传统BP神经网络模型收敛速度慢、易陷入局部极值等问题,本文采用分段线性混沌映射(PWLCM)和萤火虫算法(FA)改进麻雀搜索算法(SSA),并优化BP神经网络模型初始权值和阈值,对西安市PM_(2.5)浓度进行预测。通过比较不同模型预测结果的评价指标,并与性能较优的SSA-BP模型对比,ISSA-BP模型预测结果的RMSE、MAPE、MAE分别下降了3.70、3.73、3.34。试验结果表明,改进后的麻雀搜索算法具有高效的全局最优搜索能力,优化后的ISSA-BP神经网络预测稳定性高,精度优于BP、SSA-BP神经网络模型,可用于预测PM_(2.5)浓度。     

基于二维图像特征的点云配准方法

为了提高低覆盖率点云的配准精度和收敛速度,提出了一种基于二维图像特征的点云配准方法。首先采用基于区域层次的点云配准算法实现粗配准;然后将三维点云转换成二维图像,再采用SURF算法提取二维图像的特征,并求解其匹配像素点对;最后根据二维匹配点获取相应的三维点云相关点,并计算刚体变换,由此实现点云的快速精确配准。试验结果表明,与迭代最近点（ICP）算法相比,该点云配准方法的配准精度和耗时分别提高了约20%和60%,是一种快速、高精度的点云配准算法。